Mesoscale Reproducibility in Regional Ocean Modelling with a Three-Dimensional Stratification Estimate Based on Aviso-Argo Data
Notice bibliographique
Résumé
For dynamically consistent, high-resolution, yet cost-effective regional oceanic downscaling modelling, an empirical three-dimensional (3D) density estimate based on publicly available datasets is utilized for the Regional Oceanic Modeling System (ROMS) with simple data assimilation (i.e., TS nudging, where TS stands for temperature and salinity). We rely on a method built upon the two-layer model to reconstruct a mesoscale 3D temperature and salinity field, referred to as Tokyo University of Marine Science and Technology (TUMSAT)-TS, using near real-time altimeter-derived dynamic height along with Argo float profiling data. The TUMSAT-TS is first validated using in situ hydrographic data, then is implemented in the Japan Coastal Ocean Predictability Experiment (JCOPE2)-ROMS downscaling system for the Kuroshio region off Japan. We explore the usability of TUMSAT-TS by carrying out three comparative simulations with temperature and salinity nudging towards the (i) TUMSAT-TS and (ii) JCOPE2-TS fields, and (iii) without the nudging. Whereas the unassimilated case fails to properly account for the Kuroshio, both datasets individually are found to help reproduce the mesoscale variability of the Kuroshio, as well as its transient paths, volume transport, associated kinetic energy (KE) and eddy KE, and seasonally varying stratification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».